1.1 设计（论文）的目的

随着互联网的高速发展，如今已经进入web3.0时代，相较于更偏向社交的web2.0时代，web3.0则更注重交互，不仅仅网民可以提出需求，相关企业也能根据网民日常产生的数据对网民的喜好做出分析和判断。web3.0的标志性特点是“以人为本”，旨在提供个性化的服务体验，在每时每刻产生的海量信息中筛选出最符合用户的优质信息优先展现。而这种个性化服务的实现需要用户有一个“在线信息筛选黑盒子”，能够根据用户的基础信息及行为信息进行深度挖掘，在无形之中向用户推荐其可能更感兴趣的信息，个性化推荐系统便是web3.0标志性特点的标志性实现。

个性化推荐系统旨在为用户过滤大量信息，向他们提供更能满足其偏好和需求的信息。在大数据时代背景下，用户不仅仅是数据的消费者，也是数据的创造者，信息在各个用户之间的交互过程中得到了传播，其传播速度之快、涉及范围之广，已经远远超过以往。目前web2.0时代催生的淘宝、京东、当当、Amazon等大型电子商务平台成为用户最主要的购物基地，微博、微信及各大在线社交网站成为用户社交的最主要媒介，个性化推荐在这些电商平台集社交平台上已经得到广泛的使用并发挥着巨大的作用。Web3.0时代，在个性化推荐服务上，无论是精准度、覆盖率，还是新颖度、惊喜度，都有着更高的要求。且随着社交网络的快速发展，用户结成群体的情况十分普遍，如朋友相约观影、家人聚餐、同学结伴出游等，此时传统的针对个体的推荐服务就不再适用，需要尽可能地模拟现实中的群体决策过程，根据群体用户的整体特点进行相应的群体推荐，达到群体推荐结果在其成员的个人偏好中反映出高度一致的程度。因此如何为群体用户提供有效精准的推荐服务已引起很多专家学者的注意，成为推荐领域研究的新挑战。

1.2 设计（论文）的意义（理论或实际）

与传统的个性化推荐系统相比，群体推荐系统的任务一般分为获取成员偏好、生成个人推荐、解释群组推荐以及帮助做出最终选择四个部分。根据现有文献的研究，目前主要的群体推荐方法分为两种，一类是个体评级聚合，即将群组成员中各个个体的评级进行汇总聚合，得到一个表示群组偏好的群体评分模型，将群体看作一个整体进行推荐；另一类是个体推荐结果聚合，即通过协同过滤等传统的个性化推荐方法获得每个组成员的个体推荐结果，再对推荐结果进行汇总得到群组的推荐结果。

上述两种群体推荐方法尽管可以在一定程度上实现群体推荐，但并不难保证群组成员之间得到的推荐结果存在高度一致性，即达到的是一种“最低协议水平”，因此为了克服这种情况，本论文通过应用上述群体决策方法，并结合达成共识的技术，来对推荐结果进行改进优化，以尽量满足群组成员中个人用户的需求，减少推荐结果与群组成员心理预期不一致产生的失望度，保证群组成员收到的建议达到高水平的共识。

另外，本文在实现群体推荐的过程中使用的达成共识方法对于传统的个性化推荐有一定的借鉴意义。通常被推荐物品都富含多种属性，而用户对不同的属性可能有不同的偏好，因此可以将商品的不同属性看作群组中的不同成员，则最终的推荐服务就转化为个人用户对多个属性的偏好需求，使用达成共识方法使最终推荐物品各个属性的“属性值”最大程度满足用户对相应属性的“偏好值”。同时，对于推荐系统一度存在的冷启动问题上也有着较好的解决方案，对于新用户，可以根据其可能感兴趣的群体，将高度共识的群体推荐结果向其推荐。

1.3 国内外研究现状综述

现如今信息大爆炸时代，个性化的推荐系统已经广泛应用于电商、音乐、电影等各个领域，致力于有针对性地抓住用户的兴趣爱好并提供个性化服务，而随着社交媒介的快速发展，人们也往往因其具有社会性而喜欢聚集成群体组织活动，传统个性化推荐系统逐渐满足不了这种需求，因此引发了大量专家学者对面向群体的推荐系统的研究。Cantador I和Castell P对个性化推荐系统进行扩展，提出两种经典的群体推荐方法：评级聚合和建议聚合。蔡玲等为了减少评分数据稀疏性造成的群推荐精度损失, 借助用户生成的项目属性特征, 提出一种增强群体偏好的混合群推荐方法，最终证明该方法在准确率和召回率上较经典群体推荐方法有大幅度提高。Chen等考虑到群体成员间的相互作用，提出一种将传统系统过滤算法与遗传算法相结合的群体推荐方法。在此基础上，梁昌勇等人对算法进行改进，考虑成员间的相似关系，提出一种以基于项目的协同过滤算法为基础，结合领域专家法的群体推荐算法。在基于社交关系的群体推荐中，幸荔芸针对当前群体推荐技术只单独考虑用户-项目评分,而没有较好考虑相关上下文信息的问题,提出基于社交关系的可信群体推荐。邵鹏通过对经典的群体推荐聚集策略进行分析，将信任网络引入群体推荐算法中，并对群体内部的信任网络结构分析，提出了基于用户权重以及基于用户交互的群体推荐算法。

综上所述，目前很少有专家学者将用户权重与共识技术同时应用与群体推荐算法的研究中，本文基于经典的群组成员建议聚合算法，并将群组中的用户权重纳入到群体推荐结果生成过程中，结合达成共识的技术，对推荐结果进行不断迭代优化，保证最终的群体推荐结果在成员中达成高水平共识。